Nature Machine Intelligence hat Empfehlungen zur Bewertung von Methoden veröffentlicht, die die Struktur von Proteinen verwenden, um die Bindung an Liganden vorherzusagen. Im Material werden Deep-Learning-basierte Bewertungsfunktionen betrachtet, die zur Generierung von Posen und zur Vorhersage der Bindungsaffinität in der computergestützten Arzneimittelentwicklung eingesetzt werden.
Die Autoren weisen auf Schwierigkeiten hin, Bewertungsfunktionen zwischen Studien für die konkrete Aufgabe vergleichen zu können. Als wichtige Prüfbedingungen gelten die Offenlegung von Trainingsdaten, Code und Verfahren sowie der Schutz vor Datenleckagen, Verzerrungen in der Stichprobe und Fehler in der Versuchsplanung.
Der praktische Sinn der Empfehlungen besteht darin, Ergebnisse reproduzierbarer, wiederverwendbarer und unabhängig prüfbarer zu machen. Da der Verlag nur eine Metadaten-Zusammenfassung präsentiert, erfordern Details der Anleitung und deren Anwendbarkeit auf einzelne Modelle weitere Prüfung.
redaktioneller Kommentar
Warum es wichtig ist
Wahrscheinliche Folge — Stärkung der Offenlegung von Daten, Code und Verfahren bei dem Vergleich von Methoden für computergestütztes Arzneimitteldesign. Der nächste überprüfbare Indikator wird das Erscheinen des Volltexts mit konkreten Protokollen, Datensätzen und Bewertungskriterien sein. Wesentliche Unklarheit besteht darin, dass derzeit nur eine Metadatenzusammenfassung verfügbar ist, daher kann man nicht über Vollständigkeit und praktische Verpflichtung der Empfehlungen urteilen.